基于熵准则的发酵过程TSK模糊建模

提出了一种基于熵准则函数的TSK模糊系统建模方法.不同于传统的基于MSE经验误差最小的准则函数,该准则函数能从训练样本的整体分布结构来进行参数学习,有效地避免了由于过学习而导致泛化能力差的缺点.将其应用于复杂的发酵过程建模,结果表明新方法具有良好的预测精度、泛化能力和鲁棒性.为解决发酵过程建模中试验数据含有噪音,导致模型预测精度下降的问题提供了一条研究思路.     

基于熵准则的发酵过程TSK 模糊建模

提出了一种基于熵准则函数的TSK 模糊系统建模方法. 不同于传统的基于MES 经验误差最小的准则函数,该准则函数能从训练样本的整体分布结构来进行参数学习,有效地避免了由于过学习而导致泛化能力差的缺点.将其应用于复杂的发酵过程建模,结果表明新方法具有良好的预测精度,泛化能力和鲁棒性 .为解决发酵过程建模中试验数据含有噪音,导致模型预测精度下降的问题提供了一条研究思路.

     

贝叶斯L2型TSK模糊系统

针对传统Takagi-Sugeno-Kan(TSK)模糊系统处理大规模数据时间代价较高的问题,提出一种基于概率模型框架的L2型TSK模糊系统建模策略,建立具有处理大规模数据能力的贝叶斯L2型TSK模糊系统(B-TSK-FS).具体地,基于L2型TSK模糊系统的输出误差概率化表示,对系统前后件参数联合学习,提高系统的泛化能力.另外,引入狄利克雷先验分布函数,对模糊隶属度稀疏化表示,实现样本的压缩,降低运算时间.在模拟和真实数据集上的实验结果验证了所提出模糊系统的优势.     

一种基于进化聚类的动态TSK模型建模方法

在一种进化聚类算法（ECM）的基础上提出了一种新的动态TSK模糊模型的建模算法,以往许多神经模糊模型都不适用于自适应在线学习,而文章模型能实时地调整模糊规则库及规则参数,具有较强的在线学习能力;仿真结果表明,该方法是有效的。     

基于模糊规则学习的无监督异构领域自适应

异构领域自适应是一种借助源域知识为语义相关但特征空间不同的目标域建模的技术.现有的异构领域自适应方法大多属于半监督方法,这些方法要求目标域中存在一部分已标记样本,然而这种数据集在很多异构领域自适应任务中是稀缺的.为了解决上述问题,提出了一种新的基于模糊规则学习的无监督异构领域自适应算法.一方面,该方法基于TSK模糊系统...     

基于一型模糊规则自主构建二型TSK神经模糊系统方法设计

本文提出了一种使用一型模糊规则生成区间二型TSK(Takagi-Sugeno-Kang)神经模糊系统的新方法.该方法以训练数据集与使用自组织方法由该训练集训练生成的一型模糊系统为驱动,通过新型模糊系统前件类型转换算法与规则参数自适应学习算法的训练,在不高于原一型系统模糊集合总数前提下,自主构建区间二型TSK神经模糊系统.此外,针对两种典型的多输入单输出和多输入多输出系统,在3种不同强度的系统扰动场景下进行了对比仿真实验.实验结果表明,在含有不同扰动状态系统的建模与辨识中本方法较于对比方法具有更加优异的性能.     

基于一型规则自主构建二型TSK神经模糊系统方法设计

本文提出了一种使用一型模糊规则生成区间二型TSK(Takagi-Sugeno-Kang)神经模糊系统的新方法. 该方 法以训练数据集与使用自组织方法由该训练集训练生成的一型模糊系统为驱动,通过新型模糊系统前件类型转换 算法与规则参数自适应学习算法的训练,在不高于原一型系统模糊集合总数前提下,自主构建区间二型TSK神经模 糊系统.此外, 针对两种典型的多输入单输出和多输入多输出系统, 在3种不同强度的系统扰动场景下进行了对比仿 真实验. 实验结果表明, 在含有不同扰动状态系统的建模与辨识中本方法较于对比方法具有更加优异的性能.     

基于模糊竞争学习的非线性系统自适应模糊建模方法

提出了一种新的基于模糊竞争学习的自调整的模糊建模方法. 基于模糊竞争学习, 模糊系统能够进行自适应模糊推理. 在被调整模糊系统基础上, 提出了一种非线性系统在线估计参数的在线辨识算法. 为了证明提出算法的有效性, 最后给出了几个例子的仿真结果.     

结构辨识和参数优化协同学习的概率TSK模糊系统

传统Takagi-Sugeno-Kang(TSK)模糊系统的结构辨识和参数优化往往分阶段进行,同时模糊规则数需要预先设定,因此TSK模糊系统的逼近性能和解释性往往不理想.针对此问题,提出了一种结构辨识和参数优化协同学习的概率TSK模糊系统(Probabilistic TSK fuzzy system,PTSK).首先,...     

并行集成具有高可解释的TSK模糊分类器

针对分层Takagi-Sugeno-Kang(TSK)模糊分类器可解释性差,以及当增加或删除一个TSK模糊子分类器时Boosting模糊分类器需要重新训练所有TSK模糊子分类器等问题,提出一种并行集成具有高可解释的TSK模糊分类器EP-Q-TSK.该集成模糊分类器每个TSK模糊子分类器可以使用最小学习机(LLM)被并行地快速构建.作为一种新的集成学习方式,该分类器利用每个TSK模糊子分类器的增量输出来扩展原始验证数据空间,然后采用经典的模糊聚类算法FCM获取一系列代表性中心点,最后利用KNN对测试数据进行分类.在标准UCI数据集上,分别从分类性能和可解释性两方面验证了EP-Q-TSK的有效性.